CENTRALTRANSPATCHFAS: КОМПЛЕКСНЫЙ ПОДХОД К ЗАЩИТЕ СИСТЕМ РАСПОЗНАВАНИЯ ЛИЦ ОТ ПРЕЗЕНТАЦИОННЫХ АТАК
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-472-482Ключевые слова:
лицевая биометрия, компьютерное зрение, глубокое обучение, определение живости, трансформерыАннотация
В этой статье представлена новая архитектура CentralTransPatchFAS для защиты от атак в системах распознавания лиц. Метод объединяет центральную разностную свертку для извлечения микротекстурных признаков, анализ патчей для локального изучения ключевых областей и преобразователь на основе кодера для глобального синтеза контекста для достижения высокой чувствительности к тонким признакам подделки из изображений и видео. Эксперименты с наборами данных Oulu-NPU и CASIA MFSD показывают высокую точность при различных сценариях и условиях освещения. Работа решает текущие проблемы в области антиспуфинга и предоставляет комплексное решение для разделения реальных и поддельных изображений лиц. Комбинированный подход делает систему более устойчивой к новым типам атак и способствует разработке контрмер в динамической среде угроз. Результаты показывают, что данное решение можно развернуть в реальных системах безопасности.
Библиографические ссылки
[1] Benlamoudi, A., Ouafi, A., Taleb-Ahmed, A., & Hadid, A. (2017). Transfer learning using convolutional neural networks for face anti-spoofing. In International Conference on Image Analysis and Recognition (pp. 47-54). Springer, Cham.
[2] George, A., & Marcel, S. (2020). Revisiting pixel-wise supervision for face anti-spoofing. arXiv preprint arXiv:2011.12032.
[3] Jia, Y., Zhang, J., Shan, S., & Chen, X. (2020). Single-side domain generalization for face anti-spoofing. arXiv preprint arXiv:2004.14043.
[4] Liu, A., Xue, S., Gan, J., Wan, J., Liang, Y., & Deng, J. (2023). MA-ViT: Modality-agnostic vision transformers for face anti-spoofing. arXiv preprint arXiv:2304.07549.
[5] Luo, A., Cai, R., Zhao, Y., & Lu, J. (2021). On the effectiveness of vision transformers for zero-shot face anti-spoofing. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 10289-10298).
[6] Mohammadi, M., Narayanan, S., & Sakhaee, M. N. (2024). Principles of designing robust remote face anti-spoofing systems. arXiv preprint arXiv:2406.03684v1.
[7] Nikisins, O., Anjos, K., & Marcel, S. (2019). Deep anomaly detection for generalized face anti-spoofing. arXiv preprint arXiv:1904.08241.
[8] Peng, F., Zeng, H., & Hu, X.-H. (2023). Algorithm of face anti-spoofing based on pseudo-negative features generation. Frontiers in Computer Science, 5, 11047124. https://doi.org/10.3389/fcomp.2023.11047124
[9] Wang, D., Guo, J., Liu, Q., Deng, J., & Zafeiriou, S. (2023). Wild face anti-spoofing challenge 2023: Benchmark and results. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (pp. 1234-1242).
[10] Yu, Z., Qin, Y., Zhao, H., Li, X., & Zhao, G. (2021). Deep learning for face anti-spoofing: A survey. arXiv preprint arXiv:2106.14948.
[11] Boulkenafet, Z., Komulainen, J., & Hadid, A. (2015). Face anti-spoofing based on color texture analysis. In 2015 IEEE International Conference on Image Processing (ICIP) (pp. 2636-2640). IEEE.
[12] Patel, K., Han, H., & Jain, A. K. (2016). Secure face unlocks: Spoof detection on smartphones. IEEE Transactions on Information Forensics and Security, 11(9), 2268-2283.
[13] He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770-778).
[14] Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
[15] Yu, Z., Zhao, C., Wang, Z., Qin, Y., Su, Z., Li, X., & Zhao, G. (2020). Searching central difference convolutional networks for face anti-spoofing. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 5295-5305).
[16] Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., ... & Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.
[17] Luo, A., Cai, R., Zhao, Y., & Lu, J. (2021). On the effectiveness of vision transformers for zero-shot face anti-spoofing. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 10289-10298).
[18] Liu, A., Xue, S., Gan, J., Wan, J., Liang, Y., & Deng, J. (2023). MA-ViT: Modality-agnostic vision transformers for face anti-spoofing. arXiv preprint arXiv:2304.07549.
[19] Zhou, Q., Zhang, K.-Y., Yao, T., Yi, R., Sheng, K., & Ding, S. (2022). PatchNet: A simple face anti-spoofing framework via fine-grained patch recognition. arXiv preprint arXiv:2203.14325.
[20] George, A., & Marcel, S. (2020). Revisiting pixel-wise supervision for face anti-spoofing. arXiv preprint arXiv:2011.12032.
[21] Jia, Y., Zhang, J., Shan, S., & Chen, X. (2020). Single-side domain generalization for face anti-spoofing. arXiv preprint arXiv:2004.14043.
[22] Nikisins, O., Anjos, K., & Marcel, S. (2019). Deep anomaly detection for generalized face anti-spoofing. arXiv preprint arXiv:1904.08241.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Жансері Икрам, Батырхан Омаров, Майгуль Жекамбаева, Нұржігіт Смаилов, Ерсайын Майлыбаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
